信息与城市化 ——基于跨国数据的实证研究 | 万广华 张琰

Cassie7

信息与城市化 ——基于跨国数据的实证研究

万广华 张琰

        摘要：本文首次揭示近半个多世纪以来城市化进程在全球范围内加速的现象。我们构建一个两部门一般均衡模型，论证信息与城市化率的正相关关系。使用互联网使用率作为信息的代理变量，基于109个非经济合作组织国家或地区1960—2013年间的数据进行实 证分析。结果显示：（1）常规城市化决定因素不能解释城市化加速 现象；（2）作为信息技术代理变量的互联网使用率可以解释大部分的城市化加速；（3）主要结论对于使用不同地区样本、不同控制变量以及不同代理变量都是稳健的。

一、引言

        在城市经济学或关于城市化的研究中，有一个未被发现或长期被忽视的现象，这就是城市化速度正在变得越来越快。图1展示了部分国家城市化率从约10%到约50%所花费的时间。那些城市化始于16世纪的先行者,比如葡萄牙、波兰、瑞士、瑞典、法国和英国，完成这一进程大约花费了 400年。对于从19世纪中叶开始城市化的国家（如罗马尼亚、挪威、希腊和德国）， 时间缩短到了约100年。而对于较晚开始城市化的亚洲国家（如中国、印度 尼西亚和泰国）以及非洲国家（如喀麦隆、科特迪瓦和利比里亚）,所需时间仅仅为60年左右。需要强调的是，这一加速现象并非只存在于高速发展的经济体（如中国），在像多哥和安哥拉这样的经济最不发达国家，城市化加速也 同样可见。另一个例子也可以用来说明城市化加速的现象，即伦敦经过了 130 年才从一个100万人口的小城市成长为800万人口的大城市，而曼谷和首尔完成同样的人口扩张分别仅用了 45年和25年的时间（WHO, 2010）。

        考虑到城市化与很多因素相关，尤其可能由工业化推动，而工业化进程在工业革命后明显加快，我们将城市化水平与非农业增加值在GDP中的占 做回归，同时在回归方程中加入10年期（decadal）虚拟变量。结果发现，这些虚拟变量的系数高度显著为正，且越是更近的年份，其系数估算值越大。 当然，除了工业化或经济结构变化，还有其他变量影响城市化，比如所谓的拉动（pulling）和推动（pushing）因素。鉴于此，我们在表1的第（2）列报告了控制所有常规变量的城市化面板模型估算结果（模型设定和相关讨论见后文）。显然，这时的十年期虚拟变量仍然显著，且系数还是不断增大。这些都表明，随着时间的推移，城市化越来越快，而现有城市经济学理论或模型并不能很好地解释这一加速现象。

        必须指出，忽视城市化加速可能会带来严重的后果，最直接的就是政府及相关部门准备不足，在面对蜂拥而来的大规模城乡移民时变得措手不及, 无法提供公共服务，从而引起大城市病，诸如城市贫民窟、交通拥挤和城市污染等。在这种情况下，政府往往变得更加反城市化，千方百计阻挠乡城移民。这不但影响了经济增长和结构变迁，而且使大量隐性失业的农民滞留在资源匮乏的农村，无法解决贫困问题和居高不下的城乡差距（万广华, 2008）。换言之，忽视城市化加速很可能导致了众多发展中国家公平和效率双输的严重后果（万广华，2013；罗知等,2018）。

        因此，研究城市化加速现象并揭示其成因，不但具有理论和学术上的创新意义，而且具有重要和紧迫的政策与现实意义。基于此，本文构建了一个两部门一般均衡理论模型，论证了信息作为迁徙决策的重要影响因素，与城市化率呈正相关的关系。互联网的使用不但高效且廉价地提供了迁徙决策所需要的种种信息，还有助于大幅度降低迁徙成本和风险。所以，我们使用互联网使用率作为信息的代理变量，并基于109个非经济合作组织国家或地区 1960—2013年间的数据对理论模型进行了实证检验。基准回归和工具变量模型的结果均显示：(1)现有文献中的常规城市化决定因素不能解释这一加速现象；(2)互联网的使用率可以解释大部分的城市化加速；(3)论文的主要 发现和结论对于使用不同地区的数据样本、不同的控制变量组合以及不同的 代理变量都是稳健的。

        本文后续内容安排如下：第二部分简要回顾相关文献并讨论了信息通信技术和互联网的发展背景；第三部分构建了一个简单的理论模型，并推导信息和城市化之间的关系；第四部分设定实证模型；第五部分讨论数据和实证模型估算结果；第六部分聚焦稳健性检验；第七部分总结全文，并提供政策建议。

Cassie7

二、文献综述和信息通信技术的发展背景

        现有经典文献认为，城市化的动力主要来自农村的"供给推动"(pushing) 和来自城市的"需求拉动"(pulling) (Marshall, 1890； Todaro , 1969)。在这种双重动力的作用下，只要城乡收入差为正，农村移民将源源不断地涌向城市。 然而，正如前文所述，这些经典的推拉因素却并不能解释本文所发现的城市加速现象。

        研究迁徙的文献中，很多关注移民成本对移民决策的影响。Sjaastad (1962)首次在其研究中引入移民成本的概念，认为除了有形的货币成本以外，无形的机会成本和心理成本也是决定迁移与否的重要因素。其中，心理成本包括对新环境不熟悉所产生的种种不确定性、对亲朋故友的思念和在家乡积累的社会资本的流失等。一般来说，距离和移民成本正相关，因而和移民量负相关。远距离迁移不仅面临更高的交通费用，更由于信息流动相对较少而产生更高的心理成本。更为重要的是，进一步的研究发现，信息稀缺对移民决策的影响远远超过了交通成本(Greenwood, 1997)。换言之, "距离" 的作用更多地体现在信息量方面，而不仅仅是以货币形式表现的交通费用。 例如，Sahota (1968)估计了 20世纪50年代巴西使用公路迁移330千米的交通成本，发现仅仅相当于一个单身工人1.5个月的工资，这笔费用并不会对生活产生重大影响。Vanderkamp (1971)对加拿大移民的研究以及Beals et al. (1967)对加纳移民的研究也得到了类似的结论。特别值得指出的是，Schwartz (1973)发现教育可以抵消距离对移民的负面作用，恰恰是因为高教育水平的人往往掌握更多的信息，这清晰地证明了信息对迁徙的决定性作用。

        还有一些研究直接探讨了信息在移民决策中的作用。比如Banerjee (1984)论证了信息影响印度移民的重要性。他所提到的信息包括人际交往、 报纸和以往的旅行经历。另外，移民网络可以传递信息，比如通过人脉关系获得就业、住房、教育资源等方面的信息。这些信息直接进入移民决策过程(Massey et al. , 1993； Carrington et al. , 1996； Munshi, 2003) % Winters et al. (2001)基于美国数据的研究发现，目的地人脉网络密度，对个人的移民决策 有着重大影响。

        需要强调的是，以上所有研究都没有构建信息的量化指标，也没有与城市化加速相关联。事实上，这些文献没有考虑到信息会随着时间的变化而变化，即假设了信息及其信息的作用是静态不变的，所以不能用来考察我们所要研究的城市化加速现象。

        另一方面，信息和通信技术，特别是在信息提供、端口普及以及信息传输等方面，在近半个世纪发生了翻天覆地的变化。互联网的诞生革命性地改变了信息的传递方式与信息成本，它使得人们无论何时何地都可以以极低的成本，几乎同步地获得海量的信息，在相当程度上消除了距离所带来的种种不确定性，降低了人们移居前在就业、住房、生活环境、教育医疗、气候等 方面面临的风险。脸书(Facebook)和照片墙(Instagram )这类社交网络的诞生几乎让"距离"消失了，使得新移民在远离故土的时候，可以继续与家人和朋友保持联系，大大减轻了移民的情感负担和心理成本。

        在本文第四部分的实证部分，我们把互联网的使用作为信息的代理变量。需要说明的是，我们将1990年作为互联网的起始年份来设计自然实验，设 1990年以前互联网使用率为0。这是因为第一代应用TCP/IP协议的网络技术(AdvancedResearchProjectsAgencyNetwork, ARPANET)于 1990 年退役，取而代之的是万维网(WorldWideWeb, WWW)的诞生,而万维网正是互联网的前身。同时，超文本文件、超文本标记语言(HTML)和统一资源定位符(URL)也都是在1990年出现的。另外，在实证部分，我们还将构造1990年以前的互联网使用率的工具变量，试图解释互联网普及前信息对城市化加速的影响。

        据我们所知，目前尚没有文献将信息或者ICT技术的发展纳入城市化或 者移民的理论与实证模型中，虽然有不少研究论证了信息技术的其他影响。 比如,Gaspar and Glaeser (1998)考察了人与人的交流模式，他们发现信息 技术是增强而非取代了人们之间面对面的交流。另外Czernich et a. (2011) 利用经合组织国家1996—2007年的面板数据估算了宽带技术对经济增长的影 响，结果显示宽带利用率每提高10% ,可以带来0.9%(1.5%的人均GDP 的。

Cassie7

三、理论模型

       我们的理论创新基于经典的两部门均衡模型(Barrios et al. , 2006 ； Harris and Todaro, 1970； Lucas, 1988, 2004)。假设经济体由农村(农业) 和城市(工业)两个部门组成，所有人都在农村出生并只存活一期，两部门的生产技术均由柯布-道格拉斯函数表示：

       其中下标，和牝分别表示农村和城市部门，L、K、N表示土地(相当于农业 生产中的资本)、资本和劳动投入， 代表农村和城市劳动投入的产出弹性系数，同时代表劳动在农村和城市部门所生产的增加值中的占比，余下的是土地或资本的占比。所以，式(1)、(2)中的系数之和为1,也意味着规模经济不变(假设规模经济上升或下降，并不会改变我们的理论模型结果)。假设劳动力总供给量 ，我们将N标准化处理为1,这时的城镇化率可表示为 。

       依据 Harris and Todaro (1970)、Black and Henderson (1999)的做法， 将农产品价格标准化为1,工业产品的相对价格为P，那么工资(W)即两部 门各自的边际劳动产出可以表示为：

       接着,根据Sjaastad (1962)的建议和讨论，我们引入正规的移民成本函数，用 代表，其中 表示信息成本，Z表示其他移民成本。进一步 地，借用Amrhein (1985)的成果，信息成本函数可以定义为：

       其中，M表示个人在移民前拥有的信息集， 是完全信息阈值， 为一个正的 系数。当M小于时，即潜在移民对目的地不完全了解时，信息成本为正, 但I。是M的递减函数，即已知信息量M越大，信息成本越小。当已知信息量超过时，移民已经充分掌握了与迁徙相关的信息，这时移居所需要的信息的成本便为0。基于式(5),我们得到：

       这时，移民决策的均衡条件为(参见Harris and Todaro (1970)):

       将式(3)和式(4)代入式(6)中可得：

       因为 ,所以 ,表示城市化率和移民成本负相关。引入 ,可以得到 ,即城镇化率与信息变量之间呈正相关。

Cassie7

四、实证模型

       为了实证检验上一部分的理论结果，我们参考Davis and Henderson (2003),设定了 一个加入信息变量的跨国回归模型 ：

       其中，下标'和"分别代表国家和年度， 为白噪声残差,urban是城市化率， Infrr代表关键信息变量,用互联网普及率(inter)代理, 和 分别为时间和国家固定效应。我们用X代表传统的"推拉”控制变量，C代表除了传统 "推拉"因素以外的控制变量(详细讨论见下文。 ， ， 。为待估算参数。

       如前文所述，暂且假定1990年以前互联网对城市化的作用不显著，这就使得我们可以构造一个自然实验，其中1990年前的Infrr = 0, 1990年后各国或同一国家不同年份的Infor不等。这样一来,式(9)可以看作一个DID 方程，则代表信息对城市化加速的作用。在下文中，我们还将推出1990年之前的infrr的工具变量的观察值,以验证信息在1990年之前对城市化的促进作用。另外，我们还会使用短信数量(SMS)作为信息的代理变量，用以 考察模型估算结果的稳健性。

       控制向量X包含了传统的"推拉"因素，包括：(1)人均GDP的对数 （lngdp) ; (2)人均GDP增长率(gdpgT))(3)工业化水平(nagr,用GDP中 的非农增加值比重衡量)；(4)教育8M ,以成年人口平均受教育年限衡量)， 加入这个变量是因为平均受教育程度高的城市往往提供更高的工资，吸引各教育层次的移民(Black and Henderson, 1999； Lucas, 1988 ； Rauch, 1993) ； (5)贸易(open ,用出口加进口占GDP的百分比衡量)，加入贸易变量是因为贸易通 常要求市场营销和金融之类的配套服务，而这些服务在城市中更加集中 (Hofmann and Wan, 2013 ；章元和万广华，2013) ； (6)公路密度（density , 即每平方千米土地面积上的道路千米数）公路密度越高，交通成本越低。交通基础设施是研究卫星城市文献中通常考虑的因素（Krugman, 1991）。

       控制向量C包含余下的其他控制变量，包括：（1）城市化收敛程度 （urbanFQ ,即I960年的城市化水平）；（2）城市首位度（primacy ,最大城市人 口占城市总人口的百分比）,城市首位度越髙，往往城市化率越髙（Davisand Henderson, 2003）； （3）人口密度（popdensity ,即每平方千米土地上的人口数量）（Beals tt al. , 1967）； （ 4）人口 增长率（popgr） （J edwab et al. , 2017）。

Cassie7

五、数据和模型估算结果

        （一）数据

        本文使用109个非经合组织国家或地区从1960年到2013年54年的相关 数据。我们排除了经合组织国家，是因为截至20世纪60年代，经合组织国 家已基本完成了城市化进程。三个单一城市国家或地区——中国香港、中国 澳门和新加坡一一也被排除在外。本文数据主要来源于：世界银行世界发展 指标数据库（WDI）,世界电信/ICT指标数据库（ITU）的ICT数据，Barro- Lee受教育程度数据库（BL）3的教育数据，世界道路交通统计数据库（WRS） 的道路密度数据。表2中列出了每个变量的定义和来源。

        表3汇报了变量的描述性统计，有几点值得注意。首先，数据观察值的多少因变量而异，特别是道路密度和短信的样本体积远远小于其他指标。其次，城市化率的变动范围很大,最小值为3. 13% ,最大值为99.06%,标准 差为22.5%。城市化率比较高的国家主要集中在拉丁美洲和加勒比海地区、 北美洲和欧洲以及一些资源出口国（UN, 2014； Gollin 2016）。因此,后文将用分区域样本来估算回归模型，以检验基准模型的稳健性。最后，本文中的数据包括一些异常的观察值，例如战争期间，GDP增长下降65% ,人口增长为负。在估算基准模型时，没有剔除这些观察值，因为我们认为这些宏观因素不会显著影响信息对城市化的效应。但我们在稳健性检验部分将考虑这些异常值的问题。

        （二）基准模型结果

        在进行模型估计之前，我们先进行面板单位根检验。表4中的结果表明， ADF和ADF-PP的检验结果均拒绝了变量存在单位根的零假设。表4的最后一行中，基准模型的残差（对应于表5中第（3）列的模型）是平稳的，因而 排除了伪回归的可能性。

        基准模型如表5所示。表5的上半部分（A组）报告了主要变量的系数估算结果，下半部分（B组）报告了年度虚拟变量的系数估算结果。为了节省空间，表5中只列出了 1990年起的结果。第（1）列只包含“推拉”控制 变量，第（2）列包括了所有的控制变量，第（3）列是加入了信息代理变量后的回归结果。

        表5的第（1）、（2）列确认了传统的城市化模型无法解释城市化的加速， 因为对应于这两个模型的所有年份虚拟变量的系数都正显著，且随时间单调 增加，从11.7增长到18. 02%与此恰恰相反，第（3）列的结果显示，互联网 的作用显著为正，表明信息对城市化的促进作用，这印证了理论模型的结果。 同时，对应于第（3）列的年度虚拟变量的系数大部分都不显著，且估算值比较稳定。这说明，信息变量可以解释城市化加速这一重要现象。

        使用表5下半部分报告的年度虚拟变量的系数估算值作图（见图2）,可以 更为直观地获得本文的关键发现与结论。点线和虚线对应表5中的第（1）和第 （2）列，曲线大体上呈单调递增趋势。实线对应包含了信息变量的模型（表5 的第（3）列）。可以看出1990年以前实线与点线、虚线基本平行，但加入 1990年后的互联网变量后，实线变得较为平稳并接近于零。

        就控制变量而言，人均GDP、经济增长和教育的结果与预期一致，工业化水平不显著，道路密度仅在列（3）微弱显著，而贸易指标在列（2）、（3） 显著，符合预期。

        （三）IV固定效应模型结果

        城市化和信息之间可能存在反向因果关系，即城市化水平越高的国家， 其互联网普及程度越高，因为城市通常比农村更能提供较多较好的服务，包括基础设施如互联网％内生性也可能由第三方因素引起，即可能存在的遗漏 变量同时促进城市化和互联网普及率。这样的因素可能与技术进步或经济增长相关，比如随着经济的发展，越来越多人迁往城市，同时经济水平的提高也增加了人们对互联网的需求（Czernich成笊.，2011）为了解决这些潜在的内生性问题，本文借鉴Czernich et al. （2011）的研究成果，依据技术扩散理论，构造互联网普及率的工具变量（IV）。

        本文工具变量（IV）的构造基于这样一个事实，即在20世纪90年代初 互联网的使用依赖于固定电话网络，人们使用配线架并通过所谓的拨号接入 互联网服务提供商（ISP）。换句话说，使用互联网需要访问与互联网无本质 关系的、早先就已经独立运行的语音电话网络。基于Griliches （1957）有关技术创新过程的开创性研究，Czernich et al. (2011)将一个国家互联网普及率的最大值 ，设为互联网存在之前的固定电话普及率 的线 性函数：

        其中， 和 为参数， 为1989年每百人中的固定电话用户数。观察 到的互联网普及率inter可以表示为 和时间t的逻辑方程(见Comin et al., 2006； Geroski, 2000)：

        其中，参数 和 分别是是式（11）技术扩散曲线的速度和拐点， 为误差项。

        将是式（11）带入是式（10）可以得到一个完美由外生变量决定的非线性模型，用于估算互联网普及率，并作为信息的工具变量：

        表6汇报了IV模式式（12）的估计结果，分地区回归拟合度较好， 高达0.81和0.91

        表7报告了 IV固定效应回归的结果。根据联合国2014年的数据(UN, 2014),亚洲和非洲的城市化速度明显快于其他地区，所以使用亚洲、非洲和其他地区(欧洲和美洲)三个子样本来估算IV模型。回归结果与表5中的基 准结果基本一致，特别是B组里的大部分系数变得不太显著且更平稳。这证实了互联网普及率能很好地解释城市化的加速。

Cassie7

六、稳健性检验

        (一)SMS作为信息的另一个代理变量

        首先，我们使用发送的短信息(SMS)数量作为信息的另一个代理变量。遗憾的是，ITU数据库中仅包含2000年之后的跨国数据，所以样本体积减小 了很多。表8报告了回归结果。与前文一致，年度虚拟变量系数变得不显著且没有趋势。信息变量的系数估算值为正，虽然在第（1）列中不显著。

        （二）其他稳健性检验

        还有一种关于城市化加速的可能解释是人口流动的雪球效应，即某个国家上期移民规模越大，通过个人关系网络，带来本期移民人数的增加（Sahota, 1968）。这也可能是移民成本下降的一种表现（Carrington a , 1996）,但不 是本文所要论述的信息带来的影响。为了检测本文主要发现和结论的稳健性, 在基准和IV模型中加入了城市人口的年度变化，以控制这种雪球效应，同时, 为了去除样本极值的影响，我们对数据进行了缩尾处理（参见Barnett and Lewis, 1994）,结果如表9所示。

        表9中每一列都显示城市人口变化的系数估计值为正，表明人口流动的雪球效应确实存在，并对城市化有正向影响。但是，如B组第（1）列所示， 即使控制这一变量，年度虚拟变量的系数估计值仍然显著为正，且有增大的趋势。这说明雪球效应并不是城市化加速的原因。相比之下，在加入了信息变量的第（2）列和第（3）列中，年度虚拟变量系数变得不那么显著。所以， 城市化的加速更多地来源于信息的作用而非人口雪球效应。

        最近的一项研究认为，目前发展中国家的城市化水平提升较快是因为城市人口的自然增长率远远高于工业时代的欧洲（Jedwab et al. , 2017）。需要强调的是，我们研究的快速城市化并不等同于城市人口的快速扩张。这是因为城市化率是一个比值的概念，它取决于城市和农村两方面的人口变化。实际上Bloom et al. (2010)的研究表明，农村和城市的人口自然增长率相差无几，如果忽略了移民的贡献，城市化率很有可能是不变的。但是, Jedwab et al. (2017)的表2,恰恰显示了城市化率的变动主要是由移民带来的，而不是城市人口自然增长更快的结果。即便如此，为了增强本文结论的稳健性，我们在IV模型中加入城市人口自然增长率这个额外变量％因为数据 来源于Jedwab eZ al. (2017)使用的十年平均自然增长率nurban,我们也将其他变量取十年平均值后再进行模型估算，结果见表10。

        表10的第(1)列是自然增长率nurban和信息变量都不加入的情况,第 (2)列仅加入自然增长率。在这两列中，年度虚拟变量的系数估算值仍然具 有明显的时间趋势，说明城市化加速仍然不能被解释。而第(3)、(4)列的 结果表明，当引入信息变量后，时间趋势就消失了，而且信息变量的系数仍 然显著为正。特别重要的是，在第(2)、(4)列中，城市人口自然增长率变量。

        最后，在前文关于工具变量的预测中，我们仅仅考虑了 1990年以后 的互联网普及率，而将1990年之前的信息变量或其影响假设为0。实际 上，在1990年之前，互联网已经被用于军事和研究用途，只是没有大规模地在民间普及。这可能也是为什么由ITU提供的互联网普及率数据， 在1990年之前大部分是缺失的。但电话在1990年之前是存在的，它也是传递信息的最为重要的载体。所以，作为稳健性检验的一部分，我们用 模型式（12）来倒推1990年之前的信息的工具变量观察值，并使用1963 年之后的数据估算IV模型。表11报告了结果，图3描绘了对应的年度虚拟变量的系数估算值。结果都显示，信息变量可以在很大程度上解释城市化的加速。

Cassie7

七、结论及政策建议

        本文揭示了过去几十年来全球城市化进程加速的重要现象，印证了不少 国家抱怨城市化浪潮席卷而来的经典事实，也为万广华(2011)提出的积极推动城市化的主张提供了实证依据。即使控制了传统的"推拉"因素，非 OECD国家的城市化率在21世纪比20世纪60年代仍平均要高出16个百分 点。这一加速现象，迄今为止被学术界和政策界普遍忽视，由此可能带来了诸 如交通拥挤、污染、城市贫民窟等一系列的严重后果。因此，揭示并厘清这一 现象对发展中国家的政府、企业和个人的影响，都具有深远的理论和现实意义。

        本文的另一更为重要的贡献，是解释这个至今无人注意到的城市化加速现象。我们基于Sjaastad (1962)的研究，从移居的心理和货币成本着手,开创性地将信息引进城市化研究。更为具体地，本文首次构建了一个包含信息成本的两部门一般均衡模型，推导出了信息与城市化进程的理论关系。最后, 我们用1960(2013年109个非OECD国家或地区的数据,验证了理论模型的 可靠性，从而得出了信息在很大程度上可以解释城市化加速的发现和结论。 这些基于基准回归和工具变量模型的发现和结论，对于不同地区，不同控制 变量组合以及不同的代理变量都具有稳健性。

        本文的发现和结论对于政府和社会各界都非常重要。本文分析的是1960 年到2013年的数据，但未来信息通信技术的发展还将不断降低信息成本，并进一步推动人口迁移，所以城市化进程加速的长期趋势不可避免。政策部门 在制定发展战略、城乡发展规划、资源分配政策等方面要作长期的准备。单纯根据历史数据主观臆断城市化速度(如中国流行的把城市化率提高控制在每年0.8%以下的举措和观念)，很可能使经济陷入无序城市化的泥沼，从而危害可持续发展，正如20世纪70年代以来非洲所经历的情况所证明的(Fay and Opal, 2000)。显然，各国政府应该接受城市化加速的事实,把解决农村农民农业问题的视野扩展到城市里，积极主动地消除种种移民障碍，并通过改善公共服务(如为移民提供住房和医疗教育)和强化基础设施建设(如修建城乡和城市道路，补贴公共交通，普及Wifi等)来应对移民潮。